مجتبی ضیایی مهر

هدف این پژوهش، آینده نگری محیط اقتصادی شرکای بالقوه تجارت خشکبار ایران می‌باشد. ترکیب یادگیری عمیق و رگرسیون بردار پشتیبانی برای تحلیل متغیرهای کلیدی بازار، دقت پیش‌بینی را افزایش داده و ابزاری کارآمد برای تصمیم‌گیری استراتژیک در حوزه تجارت فراهم می‌کند. داده‌های سری زمانی از جمله میانگین تعرفه وارداتی، میزان سرمایه گذاری داخلی و خارجی، نرخ تورم و نرخ برابری ارز برای ۱۲ کشور منتخب، طی سال های 1984 تا 2024 از پایگاه های داده داخلی و خارجی گردآوری و برای پیش بینی متغیرهای پژوهش در بازه 2025 تا 2033 استفاده شده است. برای تخمین مدل پیش‌بینی از Python بهره‌برداری شد. نتایج ارزیابی دقت مدل با استفاده از معیار MAE با مقدار 104/0 نشان‌دهنده دقت بالای مدل در پیش‌بینی متغیرهای تحقیق است. جهت پیاده‌سازی مدل پیش‌بینی، از کدنویسی تخصصی مبتنی بر شبکه‌های عصبی عمیق و رگرسیون بردارپشتیبان استفاده شده است. با بهره‌گیری از کتابخانه‌های پیشرفته یادگیری ماشین نظیر TensorFlow ، معماری مدل پیش بینی هیبریدی را به‌صورت کارآمد پیاده‌سازی کرده و با اعمال تکنیک‌های بهینه‌سازی مانند تنظیم هایپرپارامترها و مدیریت برازش، دقت و کارایی مدل را در پیش‌بینی متغیرهای کلیدی بازار صادرات خشکبار ارتقاء داده‌اند. نتایج نشان داد که متغیرهای زیرساختی و ثبات اقتصادی بیشترین همبستگی را با جذابیت بازار صادراتی جهت اولویت بندی بازارهای صادرات خشکبار ایران دارند. بر این اساس، بازارکشورهای آمریکا، انگلیس، فرانسه و کانادا جذاب‌ترین بازارهای صادراتی آینده برای صادرات خشکبار ایران محسوب می‌شوند. یافته‌های این پژوهش می‌تواند در سیاست گذاری های تجاری ایران، تصمیم گیری های تجار در زمینه توسعه بازارمورد استفاده قرار گیرد.